현재 우리 사회는 아동의 성장발달에 대한 관심이 증가한데 비해 대한성장의학회에서 사용되고 있는 TW3 기반의 최대신장예측 기법은 수동으로 이루어지고 있어 주관적이며, 진료에 있어 다소 많은 시간과 노력을 필요로 한다는 단점이 있다. 또한 현재 딥러닝, 특히 컨볼루션 신경망을 활용해 영상을 분류하는 기술은 인간의 눈보다 더 정확한 수준으로 다양한 분야에 활용되고 있으며 의료분야 또한 예외는 아니다. 따라서 성장 예측의 신뢰도를 높이고, 진단자의 편의성을 증대하기 위해 본 논문에서는 컨볼루션 신경망을 이용해 좌측 수골의 발달 수준을 예측하고 소아청소년의 최대신장예측에 활용되는 딥러닝을 이용한 TW3 알고리즘을 제안한다.
현재 우리 사회는 아동의 성장발달에 대한 관심이 증가한데 비해 대한성장의학회에서 사용되고 있는 TW3 기반의 최대신장예측 기법은 수동으로 이루어지고 있어 주관적이며, 진료에 있어 다소 많은 시간과 노력을 필요로 한다는 단점이 있다. 또한 현재 딥러닝, 특히 컨볼루션 신경망을 활용해 영상을 분류하는 기술은 인간의 눈보다 더 정확한 수준으로 다양한 분야에 활용되고 있으며 의료분야 또한 예외는 아니다. 따라서 성장 예측의 신뢰도를 높이고, 진단자의 편의성을 증대하기 위해 본 논문에서는 컨볼루션 신경망을 이용해 좌측 수골의 발달 수준을 예측하고 소아청소년의 최대신장예측에 활용되는 딥러닝을 이용한 TW3 알고리즘을 제안한다.
The current TW3 - based maximum height prediction technique used in KMAA(Korean Medical Academy of Auxology) is manual and subjective, and it requires a lot of time and effort in the medical treatment, while the interest in the child's growth is very high. In addition, the technique of classifying i...
The current TW3 - based maximum height prediction technique used in KMAA(Korean Medical Academy of Auxology) is manual and subjective, and it requires a lot of time and effort in the medical treatment, while the interest in the child's growth is very high. In addition, the technique of classifying images using deep learning, especially convolutional neural networks, is used in many fields at a more accurate level than the human eyes, also there is no exception in the medical field. In this paper, we introduce a TW3 algorithm using deep learning, that uses the convolutional neural network to predict the growth level of the left hand bone, to predict the maximum height of child and youth in order to increase the reliability of predictions and improve the convenience of the doctor.
The current TW3 - based maximum height prediction technique used in KMAA(Korean Medical Academy of Auxology) is manual and subjective, and it requires a lot of time and effort in the medical treatment, while the interest in the child's growth is very high. In addition, the technique of classifying images using deep learning, especially convolutional neural networks, is used in many fields at a more accurate level than the human eyes, also there is no exception in the medical field. In this paper, we introduce a TW3 algorithm using deep learning, that uses the convolutional neural network to predict the growth level of the left hand bone, to predict the maximum height of child and youth in order to increase the reliability of predictions and improve the convenience of the doctor.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
특히 골연령의 경우에는 의료분야에서 많은 질병 상태를 판독하는데 쓰이고 있기 때문에, 기존에도 수골 x-ray 영상을 통하여 골연령 판독을 자동화하려는 연구는 계속되어왔다[6][7]. 따라서 본 논문에서는 OpenCV를 이용한 영상처리를 통하여 분리된 13곳의 관심영역[8]을 CNN 기반의 딥러닝 알고리즘[9][10]을 통하여 B~H, 혹은 I까지의 발달 단계를 판별해내고, 그를 통하여 얻어진 RUS값을 이용해 아동의 최대신장을 예측하는 방법에 대하여 제안한다
본 논문에서는 성장예측을 위해 소요되는 시간을 줄이면서도 더 높은 정확도를 얻어내기 위하여 4개의 convolution 레이어와 3개의 max pooling 레이어를 기반으로 하는 CNN기반의 영상분류 모델을 제시하였다. 이번 실험에서는 데이터의 개수가 적어, 정확도가 숙련된 진단자가 직접 판별하는 수준에는 미치지 못하였지만, 기존의 영상처리 기술에 비해서는 결과 값의 오차를 줄이는 데에 성공하였다.
본 논문에서는 수동으로 판독하는 것 보다는 빠른 판독속도로 처리하고, 영상처리를 이용한 기존의 알고리즘보다는 높은 정확도를 얻기 위해 CNN 기반의 알고리즘을 이용해 수골의 발달단계를 판단하는 최대신장 예측 알고리즘을 소개한다. 그림 2와 같은 왼손 수골 x-ray 영상을 입력받아 영상처리 과정을 거쳐 관심영역의 부위를 검출하고, 검출된 관심영역을 CNN 기반의 딥러닝 모델을 이용해 학습시켜 수골의 발달 단계를 판독해낸다.
제안 방법
이 TW3 기법은 Tanner와 Whitehouse, 그리고 Healy에 의해 1962년 고안된 TW1, 그리고 TW1을 보완하여성별과 뼈 부위의 발달 정도에 따라 단계별로 점수를 부여하여 골 성숙 점수를 계산하는 TW2에서 한 단계 더 나아간 것이다[8, 11]. TW3에서는 기존 TW2의 자료에서 1990년대 유럽과 북미의 소아 청소년 자료를 추가하여 RUS의 기준 값과 도표를 수정하였으며, 기존에 상황에 따라 변화하는 골 연령을 기준으로 하던 성인키 예상 공식을 인구집단 간에 변화가 없는 RUS 점수를 기준으로 하도록 수정하여 다양한 인구집단에서 보편적으로 사용할 수 있도록 하였다.
이렇게 4개의 3x3 사이즈의 convolution Layer, 4개의 2x2 사이즈의 Pooling Layer, 1개의 Flatten Layer, 그리고 2개의 Dense Layer로 이루어진 모델로 학습을 진행하며, Epoch는 각각 39로 설정한다. 이 때, Convolution Layer에 사용된 activation function은 relu이고, 최 하단 Dense Layer에 사용된 activation function은 다중분류에 적합한 softmax이다.
이렇게 분리된 13곳의 분리된 수골 영상을 이용해 각 부위별로 해당 부위의 발달단계를 추출하는 CNN 기반의 학습을 시행한다. 이 때 ulna를 제외한 나머지 12부위는 B~I까지 8개의 클래스로 이루어지며, ulna는 B~H까지의 7개 클래스로 이루어져 있다.
시험은 13개 부위 별로 트레이닝 셋 270개와 테스트 셋 90개, 총 360개의 데이터로 이루어졌다. 이렇게 학습된 모델을 이용하여 수골 영상을 이용해 골성숙도를 판독해낸다. 판독된 골성숙 가중치인 RUS값과 아동의 연령으로부터 아동의 예측 최대신장을 계산해 낸다
그림 2와 같은 왼손 수골 x-ray 영상을 입력받아 영상처리 과정을 거쳐 관심영역의 부위를 검출하고, 검출된 관심영역을 CNN 기반의 딥러닝 모델을 이용해 학습시켜 수골의 발달 단계를 판독해낸다. 이와 같이 판독된 단계를 기반으로 TW3 기법에 따라 RUS 값을 도출하여 최대신장을 예측하는 알고리즘을 제안한다
본 논문에서 사용할 아동의 성장정도를 판별하기 위한 방법인 TW3 기법의 최대신장 예측 방법은 다음과 같다[8]. 첫 단계로 좌측 수골 영상을 이용해 13곳의 관심 영역의 성장단계를 판독한다. 이 때 판독의 대상이 되는 13곳의 관심영역은 그림 1과 같다.
대상 데이터
이 때 ulna를 제외한 나머지 12부위는 B~I까지 8개의 클래스로 이루어지며, ulna는 B~H까지의 7개 클래스로 이루어져 있다. 모델은 그림 4와 같으며, 학습에 이용한 데이터셋에 사용된 영상은 임상에서 이용 중인 프로그램을 통해 얻어진 360개의 수골 영상으로, 이를 각각 13개 관심영역별로 잘라 각 부위별로 트레이닝 셋 270개, 테스트 셋 90개로 실험을 진행하였다.
시험은 13개 부위 별로 트레이닝 셋 270개와 테스트 셋 90개, 총 360개의 데이터로 이루어졌다. 이렇게 학습된 모델을 이용하여 수골 영상을 이용해 골성숙도를 판독해낸다.
이론/모형
본 논문에서 사용할 아동의 성장정도를 판별하기 위한 방법인 TW3 기법의 최대신장 예측 방법은 다음과 같다[8]. 첫 단계로 좌측 수골 영상을 이용해 13곳의 관심 영역의 성장단계를 판독한다.
성능/효과
그림 5는 위의 표 3, 표 4, 표 5의 결과 값 중 RUS 값을 비교하기 위하여 그래프로 나타낸 것이다. 기존에 영상처리만을 이용하여 판독했을 때에 비해, CNN기반의 알고리즘에서는 오차가 확연히 줄어든 것을 확인할 수 있다.
본 논문에서는 성장예측을 위해 소요되는 시간을 줄이면서도 더 높은 정확도를 얻어내기 위하여 4개의 convolution 레이어와 3개의 max pooling 레이어를 기반으로 하는 CNN기반의 영상분류 모델을 제시하였다. 이번 실험에서는 데이터의 개수가 적어, 정확도가 숙련된 진단자가 직접 판별하는 수준에는 미치지 못하였지만, 기존의 영상처리 기술에 비해서는 결과 값의 오차를 줄이는 데에 성공하였다. 충분한 양의 데이터를 추가적으로 확보하여 학습을 진행할 경우에는 보다 정확도가 높은 결과를 얻어낼 수 있을 것이다
후속연구
이번 실험에서는 데이터의 개수가 적어, 정확도가 숙련된 진단자가 직접 판별하는 수준에는 미치지 못하였지만, 기존의 영상처리 기술에 비해서는 결과 값의 오차를 줄이는 데에 성공하였다. 충분한 양의 데이터를 추가적으로 확보하여 학습을 진행할 경우에는 보다 정확도가 높은 결과를 얻어낼 수 있을 것이다
질의응답
핵심어
질문
논문에서 추출한 답변
대한성장의학회에서 사용되고 있는 TW3 기반의 최대신장예측 기법의 단점은?
현재 우리 사회는 아동의 성장발달에 대한 관심이 증가한데 비해 대한성장의학회에서 사용되고 있는 TW3 기반의 최대신장예측 기법은 수동으로 이루어지고 있어 주관적이며, 진료에 있어 다소 많은 시간과 노력을 필요로 한다는 단점이 있다. 또한 현재 딥러닝, 특히 컨볼루션 신경망을 활용해 영상을 분류하는 기술은 인간의 눈보다 더 정확한 수준으로 다양한 분야에 활용되고 있으며 의료분야 또한 예외는 아니다.
본 논문의 CNN기반의 영상분류 모델의 한계점과 기대점은 무엇인가?
본 논문에서는 성장예측을 위해 소요되는 시간을 줄이면서도 더 높은 정확도를 얻어내기 위하여 4개의 convolution 레이어와 3개의 max pooling 레이어를 기반으로 하는 CNN기반의 영상분류 모델을 제시하였다. 이번 실험에서는 데이터의 개수가 적어, 정확도가 숙련된 진단자가 직접 판별하는 수준에는 미치지 못하였지만, 기존의 영상처리 기술에 비해서는 결과 값의 오차를 줄이는 데에 성공하였다. 충분한 양의 데이터를 추가적으로 확보하여 학습을 진행할 경우에는 보다 정확도가 높은 결과를 얻어낼 수 있을 것이다
TW3 기법이란?
TW3 기법은 왼손 수골 x-ray 이미지에서 13곳의 성장판의 골성숙 정도를 판정해 점수를 부여하고, 그 점수의 합으로 RUS 값이라고 불리는 골성숙점수를 계산해골연령을 측정하고, 최대신장을 예측할 수 있는 방법이다. 이 TW3 기법은 Tanner와 Whitehouse, 그리고 Healy에 의해 1962년 고안된 TW1, 그리고 TW1을 보완하여성별과 뼈 부위의 발달 정도에 따라 단계별로 점수를 부여하여 골 성숙 점수를 계산하는 TW2에서 한 단계 더 나아간 것이다[8, 11].
참고문헌 (12)
Y. J. Kim and E. G. Kim, "Image based Fire Detection using Convolutional Neural Network," Journal of the Korea Institute of Information and Communication Engineering, vol. 20, no. 9, pp. 1649-1656, Sep. 2016.
H. M. Sim and P. Ishvi, "Analysis of an Axial T2 Weighted Brain MRI," Asia-pacific Journal of Convergent Research Interchange, vol. 3, no. 1, pp. 45-55, Mar. 2017.
Z. Yan, Y. Zhan, Z. Peng, S. Liao, Y. Shinagawa, S. Zhang, D. N. Metaxas and X. S. Zhou, "Multi-instance deep learning," IEEE Transactions on Medical Imaging, vol. 35, no. 5, pp. 1332-1343, May. 2016.
M. V. Grinsven, B. V. Ginneken, C. Hoyng, T. Theelen and C. Sanchez, "Fast convolution neural network training using selective data sampling," IEEE Transactions on Medical Imaging, vol. 35, no. 5, pp. 1273-1284, May. 2016.
J. W. Kim, H. A. Pyo, J. W. Ha, C. K. Lee and J. H. Kim, "Deep learning algorithms and applications," Communications of the Korean Institute of Information Scientists and Engineer, vol. 33, no. 8, pp. 25-31, Aug. 2015.
H. K Lee, S. Tajmir, J. Lee, M. Zissen, B. A. Yeshiwas, T. K. Alkasab, G. Choy and S. H Do. "Fully automated deep learning system for bone age assessment," Springer Journal of Digital Imaging, vol. 30, no. 4, pp. 427-441, Aug. 2017.
J. W. Min and D. J. Kang, "Deep Meta Learning Based Classification Problem Learning Method for Skeletal Maturity Indication," Journal of Korea Multimedia Society, vol. 21, no. 2, pp. 98-107, Feb. 2018.
Y. B. Cho and S. H. Woo, "Algorithm for Extract Region of Interest Using Fast Binary Image Processing," Journal of the Korea Institute of Information and Communication Engineering, vol. 22, no. 4, pp. 634-640, Apr. 2018.
S. C. Lim, S. H. Kim, Y. H. Kim and D. Y. Kim, "Training Network Design Based on Convolution Neural Network for Object Classification in few class problem," Journal of the Korea Institute of Information and Communication Engineering, vol. 21, no. 1, pp. 144-150, Jan. 2017.
H. K. Lim, J. Y. Kim and H. K. Jung, "Convolutional Neural Network Based Image Processing System," Journal of the Korea Institute of Information and Communication Engineering, vol. 16, no. 3, pp. 160-165, Sep. 2018.
J. M. Tanner, M. J. R. Healy, H. Goldstein, N. Cameron, Assesment of skeletal maturity and prediction of adult height(TW3 method), 3rd ed. Panmun books, pp. 1-21, 2015.
J. S. Oh, "Finger Counting Algorithm in the Hand with Stuck Fingers," Journal of the Korea Institute of Information and Communication Engineering, vol. 21, no. 10, pp. 1892-1897, Oct. 2017.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.